基于图像处理技术的道路监控系统设计

王茁,侯洪凤

(1.大连科技学院 教务处，辽宁 大连 116052；2.大连科技学院 交通与电气工程学院，辽宁 大连 116052)①

交通拥堵是指在某时间段内，由于交通需求的增加，通过道路中的路段或交叉口的车流量超过道路的额定交通容量或能力时，导致道路上的交通流无法畅行的交通现象[1].交通拥堵不仅影响公众出行的时间和费用，由此产生的汽车尾气排放和车辆零件磨损等还会污染环境和提高社会经济成本.近年来国内外学者在交通拥堵的影响因素、拥堵预测仿真、拥堵治理等方面进行了大量研究，特别是结合大数据、云计算等新兴技术在拥堵数据的监测方面取得了一定的进展[2-7].在确定交通拥堵类型及拥堵原因方面，谈晓洁等[8]应用空间分布概念分析城市交通拥堵现象的相互影响和关联，并对交通拥堵原因及发展趋势进行实时分析，但该方法过于抽象且当道路结构无法用点、线、平面来表达时，无法真实反映交通拥堵情况.郭继孚等[9]通过数据调查分析了交通拥堵的主要类型与特点，对我国交通拥堵情况进行了讨论，但实验选用的数据均来自国内外一线城市，数据适用范围较窄.在如何有效缓解交通拥堵方面，李雪岩等[10]倡导公众乘坐公共交通出行，并基于此引入了深度强化学习算法.该算法采用价值函数神经网络等函数模型，优化公众乘坐公共交通的票价结构，所提方法虽能有效提高公众乘坐公共交通的积极性，但算法过于复杂，制定公交票价涉及多方面因素的影响，难以实际应用.刘治彦等[11]在借鉴国外经验后提出，增加城市交通道路基础设施，建设快速、大运量的干线交通，同时开发地上、地下交通通道是解决交通拥堵问题的重要措施.该结论虽能够解决部分城市的交通拥堵问题，但对于沿海城市及道路规划为紧凑型的城市而言，该方法缺少可行性.

基于上述研究，本文通过实地观测调查，确定城市中心区域发生拥堵的主要堵点，并分析造成拥堵现象的原因.为避免拥堵发生，提高城市道路交通系统实时监控系统的可靠性，提出一种基于LabVIEW图像处理技术的道路交通运行情况的实时监测方法.通过对道路运行状况的精准监控，为交通管理者提供判断依据，以及时采取疏导措施缓解城市拥堵现象.

1 城市道路运行情况分析

本文以大连市中心城区——大连市政府驻在地的西岗区为研究目标.西岗区所在区域纵贯大连主城区，全区面积达26.6 km2，下辖7个街道45个社区，纵横20条路214条街133条巷(图1).西岗区是大连市区的交通枢纽，交通流量常年居高不下，轻轨地铁始发站、大连火车站、长途汽车站，三站交汇于此.同时，该区也是大连市重要的商品物资集散地点.本次调查对象选取西岗区的一条主要街道及邻近的几个社区，即人民广场街道及邻近路口、五四广场社区、长春路社区、地铁、轻轨站.

图1 大连市西岗区行政区划图

1.1 交通运行情况

1.1.1 数据获取

本次调查时间为2021年5月10日—5月30日，共计21天.主要选取人民广场街道路段午间车流、人流量的变化及邻近高峰时段的交通拥堵情况，调查的目标为确定道路汽车拥堵地点及拥堵时间.此次调查分为2个阶段，第一阶段采取实地观测调查，历时9天，主要调查午间所选道路的流量及拥堵情况.调查目标路段两个主要十字路口午休时间(11：00—13：30)的道路交通总流量，调查结果见图2.统计图表明，在11：00—12：30时间段内，目标路段的车流量不断增加，最高达到28.8 辆/min.12：30以后，车流量逐渐降低，截止到13：30车流量降为14.7辆/min.第二阶段采用填选调查问卷方式，历时12天，主要对小区居民出行情况进行调查.表1为目标路段附近小区的1 500户居民6：00—10：00的出行方式统计表.统计数据显示，40.53%的居民选择私家车出行，33.07%的居民选择地铁出行，26.4%的居民选择公交出行.其中，7：00—8：00这个时间段出行人数最多，私家车、地铁、公交占比分别为15.47%、10.47%、9.13%.

图2 午间车辆运行情况统计图

表1 居民出行方式统计表

1.1.2 数据分析

高峰时间又称交通高峰，指一天中出现大交通量的一段时间[12].考虑到本次调查时段的选取为大连市旅游季，期间除当地居民上下班产生的早高峰外，外地游客于午间外出前往周边景点、商圈游玩的出行量较大，且采用私家车出行量最多.基于此背景对调查数据统计分析，目标路段的道路交通情况出现两个高峰时期，即早晨7：00—8：00为“早高峰”时间，中午12：00—13：00时为“午高峰”时间.

“早、午高峰”现象主要受两方面因素影响.首先，目标路段为居民区、办公楼及商业区交汇地段，早、午上下班时间，公交车辆和私家车辆突然聚集，超过道路交通容积率，导致道路拥堵.其次，城市道路设施不完善.目标路段双向行驶道路少，机动车与非机动车混行，在主干路和道路交汇处更容易发生交通拥堵.这种类型的拥堵如不能及时解决，拥堵则会呈现出由交汇口→局部路段→关联道路及路口的扩大趋势.

1.2 交通拥堵原因

城市交通系统的稳定性主要受内、外两方面因素的影响.其中城市交通结构及基础设施、城市交通管理体制为交通系统内部因素，公众出行特征为外部因素.

1.2.1 城市交通结构

城市交通结构不仅要关注目标路段的特征，还要研究其相邻道路组成的城市道路网络[13].以目标路段两个主要十字路口#2、#3为中心，分析其所在道路交通网络情况(图3).

该交通网络中#1至#4路段为城市主干路，共存在2个十字路口和2个T字路口.#2至#6、#3至#7两条线路为双向行驶道路.#2和#3两个十字路口车辆驶入和驶出的方向分别为3和2，#1和#4两个T字路口的车辆驶入和驶出方向分别为2和1.在这种情况下，则表现为#1至#4四个驶入方向多于驶出方向的路口产生拥堵，且会成为交通网络中的“卡脖子”问题.此类交通拥堵在没有得到有效缓解的情况下会影响整个交通网络的性能.

图3 目标路段交通网络示意图

1.2.2 现行交通管理体制

交通管理体制是制约城市交通发展的重要因素之一.近些年，我国的信息技术产业快速发展，很多城市已经将信息手段应用于交通系统[14].但是部分交通资源因受到管理体制的制约未得到大范围的开发使用.

交通管理体制对交通拥堵的影响主要表现在两个方面：一方面，市民交通安全意识和法律观念淡薄.私家车辆及非机动车辆在道路行驶过程中违章现象严重，违法停车、违法驾驶及行人违法穿越马路、跨越护栏等都会加剧交通拥堵.另一方面，交通管理政策不健全.以现行的大连市道路交通管理处罚规定为例，条例内容涵盖机动车、车辆驾驶人、道路通行规定等，但涉及行人交通违章的处理办法不足10%，事故预防与执法监督等内容不足5%.规定中针对机动车与非机动车混行、公交专用道使用等均未给出具体的实施方案，也在一定程度上加剧交通事故、交通拥堵等现象的发生.

1.2.3 公众出行特征

根据调查数据统计分析，现阶段大连市公众出行呈现两个主要特点：第一，公众早、中、晚集中出行，由于公众上、下班时间重合，造成了不可避免的交通拥堵；第二，公众驾驶私家车辆出行，私家车在交通系统中的使用比例日益提高，进而导致额定承载量的交通系统出现拥堵现象.

2 道路监控系统设计

2.1 系统设计原理

本系统的设计原理是：利用高清摄像机采集车辆牌照信息，车辆驶过固定距离s，所用时间为Δt，利用式(1)，可以计算出车辆的行驶速度v.将车辆运行速度与我国《城市道路工程设计规范》中的设计速度作对比，即可得出当前道路的运行情况[15].

(1)

2.2 硬件系统设计

道路监控系统结构图见图4.该系统以两个高清摄像机为核心，通过电源和控制系统进行车辆信息采集，再经过数据传输系统将采集到的车辆信息传输到计算机中进行图像处理.

图4 道路监控系统结构图

因条件限制，尚不能将本方法运用在现行的道路运行监控系统中进行实验测试.故本文采用实验法，利用人工采集车辆信息的方法替代自动采集图像信息的监控系统，车辆信息采集示意图见图5.在大连市西岗区市政府所在道路选取A、B两个路口，AB距离为1.2 km，车辆由A路口驶向B路口，两个观察者分别于A、B路口采集车辆行驶信息并记录时间t1和t2.

图5 车辆信息采集示意图

2.3 软件系统设计

LabVIEW虚拟仪器开发平台依靠其图形化编程语言、数据流的编程特点和友好的交互界面，使其不仅能够实现图像处理领域的所有操作还能弥补其他编程方式的不足之处[16].NI Vision Assistant和Vision builder是LabVIEW虚拟仪器开发平台的图像处理开发模块.本方法在上述两个图像处理开发包下设计了一套车辆信息图像处理软件系统.软件系统的工作流程见图6.

图6 软件系统的工作流程图

2.3.1 初始化及预处理

实验开始进入初始化模块，进行基本参数设计并将车辆信息导入.图像处理系统主要以车辆牌照信息为跟踪目标，因此在图像预处理前首先进行图像切割，保存车辆牌照信息.图像切割后开始进行图像预处理.

实验采集的牌照图像为32bit的彩色图像，且由于相机品质、采集环境、图像传输方式等外在环境的影响，牌照信息会受到噪声污染，图像质量下降.故本系统设计的图像预处理主要包括灰度化、二值化及图像滤波等程序，为后续进行边缘提取工作作铺垫.

经实验发现，车辆牌照的噪声多属于椒盐噪声.椒盐噪声属于一种脉冲噪声，在图像中表现为随机出现的白色或黑色像素点或者像素点集合，即在黑暗区域出现白色像素点或者在高亮区域出现黑色像素点，更严重的可能是两种情况同时存在.针对该种类型的噪声，选用中值滤波函数处理效果最好[17].

中值滤波技术的计算原理是将指定像素点邻域窗口内的平均像素值赋予指定点.该算法不仅能够有效去除椒盐噪声还可以保护图像中的边缘信息[18].图7为采用灰度化、二值化及中值滤波技术进行处理后的车辆牌照信息.

图7 中值滤波处理

2.3.2 边缘强化

在实际工作中发现，中值滤波函数虽然保护了大部分的边缘信息，但在边缘检测时仍存在部分边缘信息丢失的情况.故本系统在边缘检测前设置边缘强化函数，加强边缘信息以保证边缘检测的完整性和精确性.LabVIEW的图像处理模块中提供Highlight Details、Custom等卷积分函数用于加强图像边缘信息.本系统选用Highlight Details函数进行边缘加强，边缘强化结果见图8.

图8 边缘强化

2.3.3 边缘检测

车辆牌照信息在边缘加强后进入边缘检测及提取程序.本系统选用图像处理模块中的Sobel算子进行边缘检测与提取.Sobel算子不仅能够成功提取牌照的边缘信息还可以有效抑制噪声信息对图像的干扰.边缘检测结果见图9.

图9 边缘检测

2.4 实验结果分析

A、B两个采集点采集到的车辆信息均采用本系统进行信息比对，确认为同一车辆后再利用式(1)即可得出车辆在固定路段的实时运行速度.本文在15min内共采集212组有效车辆信息，经过本系统处理后得到212组实验数据.

车辆的运行速度不仅受到道路运行条件的影响，驾驶人驾驶车辆熟练度、驾驶时天气状态等都会影响车辆的行驶速度.为保证实验结果的可靠性，利用式(2)和式(3)计算1 min内通过车辆的平均速度，并作为该时段的车辆运行速度.通过此方法共计出15个速度点，该时段车辆运行速度曲线见图10.

v=v1+v2+v3+…+vn

(2)

(3)

图10 车辆平均速度曲线

根据《城市道路工程设计规范》，交通路段可分为快速路、主干路、次干路和支路.道路运行状态按照车辆运行速度共分为5级，1级表示运行最畅通，5级表示运行最拥挤.目标行驶道路为城市主干道，车辆的运行速度在35～48 km/h范围内波动，即道路运行情况为2级畅通.

从图10可知，车辆运行速度曲线中，15 min内车辆的运行速度呈下降趋势(虚线).分析其原因主要是，实验采集时间为16：00—16：15，该时间段非晚高峰时间，道路运行情况为畅通状态.但从该曲线可预测出，当车辆速度下降到25～35 km/h时，目标短路将会进入3级轻度拥挤状态.

3 结论

本文以大连市中心城区的交通运行情况为例，通过统计调查，分析了大连市的交通拥堵情况及造成拥堵现象的原因.以预防、缓解交通拥堵、提高交通运行质量为目标，设计了一套基于图像处理技术的车辆信息识别系统.本系统利用LabVIEW的图像处理模块NI Vision Assistant和Vision builder，完成了车辆牌照图像信息的滤波、检测等处理，最终实现了车辆运行速度的实时监测.本文研究表明：

(1)造成道路交通拥堵的原因主要在于城市道路结构欠合理、城市交通管理政策不完善及公众集中出行的特征.

(2)本文设计系统能够有效识别车辆信息，且图像处理结果真实可靠.

(3)本实验系统检测结果不仅能实现道路运行情况的实时监测，还能为预测道路运行情况提供数据支持.

本文仅以大连市中心城区的部分道路情况为对象进行研究，而对于国内其他城市的交通拥堵情况并未进行分析，下一步研究可深入探讨其他城市交通运行状况.此外，本系统尚未在实际中得到应用，在进行车辆信息采集过程中若采用车辆GPS定位信息，则本系统的运行效率可得到进一步提高，能为城市交通管理部门治理交通拥堵措施的制定提供技术支持.